Kantor.AI

Венгерское чудо начала XX века, часть 2 Согласно легенде, как-то раз, работая в Лос-Аламосе (спасибо Нолану, что теперь не нужно объяснять, где это и при каких обстоятельствах), Энрико Ферми спросил: "Если инопланетяне есть, где они все?", на что другой физик Лео Силард ответил: «Они давно здесь, просто называют себя венграми». Кто-то со временем дополнил версию тем, что марсиане не научились говорить по-английски без акцента, поэтому и выдают себя за венгров :) Так за плеядой известных ученых венгерского происхождения закрепилось прозвище "марсиане". В действительности же искать причины все стали в школе. Но не в том, что у них была какая-то одна школа или один общий учитель (вовсе нет), а в том, что поменялось в школьном образовании в годы учебы "марсиан". К сожалению или к счастью, подлинную причинно-следственную связь мы не установим, но более-менее общепринятый консенсус в том, что на венгерское научное чудо больше всего повлияла олимпиадная математика и физика. Если кратко, в 1894 году во-первых начал издаваться журнал KöMaL с задачками по математике (ну что-то типа нашего "Кванта", только заметно пораньше, и тоже с печатью фамилий авторов лучших решений), а во-вторых впервые прошел физический конкурс имени Лоранда Этвёша - старейшая в мире школьная олимпиада по физике, которая проводится по сих пор. С названием олимпиады отдельный забавный факт - Лоранд Этвёш был выдающимся венгерским физиком и педагогом, и олимпиада была впервые организована не просто в его честь, а в честь его избрания министром образования Венгрии. Кроме того, подавляющая часть "марсиан" были еврейского происхождения. Это сейчас в цивилизованном обществе судить о человеке по национальности неприлично, а вот в те времена расцвет олимпиадной физики и математики в Венгрии случился лет через 25-30 после того, как евреев практически уравняли в правах с другими жителями Австро-Венгерской империи. "Практически" в том смысле, что армия и гос.служба оставались по факту по-прежнему недоступными опциями, однако в право, медицину и науку идти было вполне себе можно. Во-первых, на этом фоне к 1910 году евреи составляли примерно четверть населения Будапешта (и 6% населения страны), а во-вторых, как только стало можно какие-то задачки решить лучше всех и попасть на страницу журнала, в список победителей олимпиады, и как следствие, в университет - это стало реальным карьерным лифтом. И, что важно, уже к 1920 году этот лифт сильно ограничили: в Венгрии приняли закон, ограничивающий квоты на поступление в университет по национальности. А уж в тридцатых годах пошло яро антисемитское законотворчество, тут даже комментировать нечего. Таким образом, в отдельно взятой стране временно ослабилась дискриминация по национальному признаку, появилось олимпиадное движение и, в итоге, появился работающий социальный лифт для талантов. Пока он работал, а талантам было куда идти (университеты принимали без квот по национальностям), этот лифт произвел большое количество ученых с мировым именем. Значит ли это, что всех их прямо-таки "создало" олимпиадное движение? Наверно нет. Скорее уж "выявило". Но очень поучительно, насколько сильной оказалась разница "с лифтом" и "без лифта". Иными словами, не надо думать, что таланты пробьются сами, сама пробьется бездарность. А вот талантам надо помогать.

Границы морального в словесной эквилибристике корпоративного менеджера Как-то так получилось, что контактов с коллегами у меня много, и я постоянно с кем-то вижусь и слышу замечательные истории про работу в крупных компаниях. Одной из них, но довольно архитипичной, вдохновлен этот пост. В одной компании сотрудники сильно устали от неменяющихся зарплат и сильно запутанного процесса их повышения. В итоге, как это обычно бывает, говоря языком менеджмента, повысился отток, а языком рядовых трудяг - "начался массовый исход". Наиболее заметные вне компании сотрудники, выступавшие на всяких внешних мероприятиях и бывшие лицом компании, покинули ее в первых рядах. За ними следом на более комфортные предложения ушли и многие их товарищи, ведь успешно перешедший обязательно вскоре возвращался к бывшим коллегам с оферами уже для них. Впрочем, часть из тех, кто работал и не светил лицом, не обломались и сами пойти пособеседоваться и найти работу, и никаких препятствий на этом пути не заметили, все получилось гладко, быстро и с повышениями. Посмотрим на это теперь глазами менеджмента. Ушли те, кто больше болтали по конференциям, чем работали. Ушли те, кто ведется на деньги, а не развитие себя как профессионала, интересные задачи и амбициозные проекты. Остались настоящие идейные работяги, коллектив очистился. Видеть картину в таком свете и подавать ее в таком свете другим ради спасения своей шкуры - талант любого сколько-нибудь опытного корпоративного бюрократа. Остается лишь слегка пропитанный чувством бессилия вопрос: может ли такой бюрократ так нагло передергивать до бесконечности или все же есть какие-то берега у этого безобразия? А вы как думаете и какие примеры видели? :)

Всё ли сгенерированное с помощью нейронки — нейрослоп? Может показаться, что это безобидный вопрос. Но это не вопрос, а провокация. Значит ли сам факт использования нейросети, что контент некачественный? Или дело в том, оставлены ли нейроштампы в тексте, сквозит ли ото всюду набившая оскомину нейростилистика, цепляет ли чем-то визуал на фоне тысяч нейроночных образцов. И вот тут начинается самое интересное. Представьте, что вы живете в мире, где больше половины контента уже генерируется нейронками (даже и представлять не надо), и люди, глядя на этот контент, начинают писать теми же конструкциями, теми же выражениями, так же «средненько» и с бесящими оборотами. Будут ли тогда эти написанные живыми людьми тексты нейрослопом? И что все же такое нейрослоп? Делитесь своими мыслями и наболевшим в комментариях.

Где ИИ-агенты реально помогают, а где создают новые риски ⤵️ Узнайте на GoCloud Tech 2026 Каждый год Cloud․ru собирает ИТ-специалистов, чтобы вместе обсудить, как строить сложные технологии. В этом году в программе конференции много докладов про ИИ/ML — от инженерных ограничений до инфраструктуры, которая выдерживает миллион токенов в секунду. Обсудят: ▶️Как выбрать инфраструктуру для ИИ-проекта ▶️Как построить систему, способную выдерживать больше миллиона токенов в секунду ▶️Как защищать чувствительные данные при работе с LLM ▶️В каких задачах ИИ реально помогает ▶️Где границы применимости ИИ-агентов в разработке ➡️ 15 октября, Москва + онлайн. Зарегистрироваться на GoCloud Tech 2026

Из аналитики и разработки в ML + куда расти дальше Я хорошо помню, как DSом мучался выбором: идти или не идти в CV (когда была такая опция), рваться ли в NLPшные проекты, продолжать делать рекомендательные системы или же больше перспектив для быстрого карьерного роста будет, например, в классической предиктивной аналитике с прогнозированием спроса или оттока. Всегда очень хочется не прогадать, куда инвестировать следующие несколько лет своей жизни. Сейчас еще тяжелее: есть несколько захайпленых тем у всех на слуху, а как за ними разглядеть свое собственное будущее - непонятно. Если вы только переходите в ML из аналитики или разработки, то разбираться надо еще и в том, что из вашего опыта уже полезно, в чём лучше "забыть все что знал раньше", а чего совсем не хватает, и как это добирать. 17 сентября в 19:00 МСК я проведу об этом закрытый вебинар для комьюнити нашей специализации по ИИ и анализу данных. Поговорим, как переходить в ML из разработки и аналитики, чего обычно не хватает на собеседованиях и куда расти после Classic ML: RecSys, поиск, CV, NLP/LLM, антифрод, а также research, продуктовый ML, ML-инженерия и карьера лида. Ключевой вопрос вебинара: "куда вложить следующие несколько лет карьеры, чтобы потом не загрызло FOMO?". И отдельно поотвечаю на карьерные вопросы слушателей. 📅 17 сентября, 19:00 МСК Вебинар только для студентов специализации. Если ещё не с нами — присоединиться к специализации можно по ссылке. Для тех, кто уже учился в MLinside или на Специализации МФТИ и Яндекса на Курсере, заполняйте форму, дадим промокод со скидкой ❤️

Anthropic объявила инвесторам, что у них очень высокая прибыль, если вычесть все расходы на обучение новых моделей. В комментариях оценили бухгалтерское мастерство компании на рейтинг PIZDA — Profit If Zero Distribution & AI-training (Прибыль Исключая Затраты на Дистрибуцию и Анализ). @bankrollo

Это было слишком хорошо, чтобы не репостнуть, спасибо @datarascals за наводку

Где токены, Лебовски? ИИ-агенты обещают экономить рабочее время, но сами легко сжигают бюджет: повторно читают документы, вызывают лишние инструменты и иногда уходят в цикл. Поэтому цены миллиона токенов уже недостаточно — бизнесу важнее знать, сколько стоит выполненная задача. О том, куда агент расходует токены и как удержать счет под контролем, нам рассказал руководитель Yandex AI Studio Артур Самигуллин. Почему агент обходится дороже обычного чат-бота? ➖ В чат-боте все просто: пользователь отправляет запрос, модель отвечает. У агента на такое общение приходится лишь около 10% потребления. Остальные 90% — его внутренняя работа: выбор и вызов инструментов, поиск в интернете и корпоративных системах, чтение документов, анализ результатов и планирование следующего шага. Заранее предсказать длину этой цепочки трудно. По оценке сервиса Tokens per day, с января 2024 года мировой ИИ-рынок израсходовал 94,2 квадриллиона токенов, а сейчас расходует около 395 трлн в сутки. Один из главных ускорителей — распространение агентов. Насколько они прожорливее на практике? ➖ На нашей платформе модели обрабатывают около 300 млрд токенов в месяц. Пока на агентов приходится около 15% запросов, но они уже потребляют около 30% всех токенов. По мере распространения агентских сценариев объем токенов будет кратно расти. В августе 2026 года в DeepSeek V4 Flash на нашей платформе такими были 70% токенов. Где агент начинает транжирить токены? ➖ Неоптимизированный агент может вызвать ненужную функцию, несколько раз целиком перечитать один документ или зациклиться. Иногда он отправляет сложной и дорогой модели задачу, с которой справилась бы более компактная. Поэтому главная метрика — не цена токена и даже не их количество, а конечная стоимость выполнения задачи. Чтобы ее контролировать, компании нужны детальные логи: вся цепочка действий агента, расход на каждом шаге и причины, по которым он выбрал конкретный инструмент или модель. Как снизить расход? ➖ Один путь — сначала решить реальные задачи большой моделью, а затем обучить на ее ответах более компактную. Другой — оптимизировать сам инференс: отдельно настраивать оборудование для обработки длинного запроса и генерации ответа, квантизировать модели, ускорять выдачу и переиспользовать уже обработанный контекст. Для этого платформы вводят кэшированные токены. Если часть запроса повторяется, модель не вычисляет ее заново. В июле 2026 года в DeepSeek V4 Flash на нашей платформе такими были 75% токенов. Они в среднем в пять раз дешевле обычных и экономили пользователям несколько миллионов рублей в месяц. После обновления веб-поиск также стал расходовать в два-три раза меньше токенов: теперь он забирает не страницы целиком, а только релевантные фрагменты. Универсальные агенты сделают счёт еще больше? ➖ Парадоксально, но для бизнеса он может сократиться. Сейчас разные ИИ-сервисы отдельно загружают файлы, корпоративный контекст и инструкции. Универсальный агент сможет работать с ними в одном окне и решать задачу единой цепочкой, не повторяя одни и те же операции. Так развиваются Anthropic — от Claude Code к Cowork, OpenAI — от Codex к ChatGPT Work, и Yandex AI Studio. При этом рынок не сведется к двум-трем агентам «для всего». Останутся специализированные решения для юристов, врачей, архитекторов и других областей, — словом, всех тех, кому базовых возможностей ИИ будет уже не хватать. @anti_agi

У Артура (руководителя Yandex AI Studio) в принципе очень крутой карьерный трек в AI. С интересом следил в этом году за его участием и победой в Forbes 30 до 30, поэтому вдвойне рад его интервью. Здорово, что Артур (неожиданно для провайдера моделек, которому вообще-то было бы даже выгодно продать вам побольше токенов) прямо говорит о том, что расходы на ИИ сильно зависят от оптимальности его использования. Когда все вокруг меряются количеством сожженных токенов, важно об этом помнить и оптимизировать свои подходы к применению ИИ. Что касается снижения стоимости токена с развитием ИИ, вопрос на мой взгляд чуть более дискуссионный. Принципиально скорее соглашусь, что стоимость в ближайшем будущем продолжит снижаться, но ответ ещё зависит от дефицита вычислительных мощностей, электроэнергии и прочей инфраструктуры с ростом популярности ИИ. Так что я бы советовал учиться эффективному использованию ИИ в своих задачах уже сейчас. Применять что-то и учиться это применять это совершенно разный порядок затрат и вторым лучше заниматься, пока есть определенность с ценами и в целом инструменты широко доступны.

По мотивам записи кружочка с приглашением на вебинар: кот намекает, что кого-то не того я записывал 😁😁😁

Что думаете по поводу Навье-Стокса? Гипотеза Римана на очереди или рано праздновать?

Завтра в 19:00 МСК встречаемся на вебинаре с Виктором Кантором о карьерном пути в ML в 2026 году. В кружке выше Виктор рассказывает, что будет на эфире👆 А ещё можно заранее отправить свой вопрос — Виктор разберёт вопросы участников в прямом эфире. Задать вопрос Зарегистрироваться на вебинар

Тем временем уже завтра веду вебинар перед стартом нового потока Базы ML у нас в MLinside. Если давно подумываете вкатиться в ML, но еще сомневаетесь - пишите свои вопросы в форму, регистрируйтесь и приходите :)

Венгерское чудо начала XX века, часть 1 У меня есть два очень теплых воспоминания из студенчества: теоремы Эрдеша с курсов по дискретной математике, вероятностному методу в комбинаторике и гиперграфам, а также раздел про голографию в семестре общей физики, посвященном оптике, где все начиналось со схемы Габора - одного из родоначальников голографии. И то и другое было завораживающе красиво и стало моими любимыми частями курсов. Другое теплое воспоминание, еще школьное, это задача про муху, которая летает между едущими навстречу друг-другу велосипедистами, пока они наконец не встретятся. Зная расстояние между ними и скорости движения всех участников событий, нужно найти пройденный мухой путь до столкновения. Та самая, кстати, которую главный герой рассказывает студентам в «Играх разума». Попытки просуммировать весь путь мухи - очень сложный способ решить задачу, а просто посчитать время до столкновения и умножить на скорость мухи - простой. Так вот согласно легенде, когда отца архитектуры компьютера Джона фон Неймана (а еще кстати изобретателя merge sort, алгебр фон Неймана и родоначальника теории игр) спросили про ответ в этой задаче, он дал его моментально, а на пренебрежительное «вы конечно знали подвох в этой задаче» фон Нейман словно оставаясь погруженным в свои мысли мимоходом ответил: «Какой еще подвох? Я просто просуммировал ряд». Что объединяет Джона фон Неймана, Денниса Габора, и Пола Эрдеша? Они все жили примерно в одно и то же время и все трое родились в Будапеште. А еще список можно долго продолжать: за конец 19 и начало 20 века Венгрия дала миру какое-то невероятное количество выдающихся ученых. Первое, что приходит в голову: где-то в Будапеште была очень сильная школа или очень талантливый учитель, промежуток времени как раз подходит под годы активной работы нашего гипотетического героя. Но минимальной проверки гипотеза не выдерживает: практически у всех были разные школы и разные учителя. Что же тогда объединяло этих ученых, кроме города и языка? Ответ есть, и он очень поучителен. Об этом и о том, причем здесь Марс - в следующем посте.

Про роли в промптах, часть 2 Продолжая предыдущий пост, основное на мой взгляд наблюдение дано в конце статьи: хоть роли, улучшающие ответ, и были, выбор роли под вопрос оказался сложной задачей. Если собрать оракула, который знает, какая роль лучшая, получается заметный прирост точности. Но вот попытки сначала честно подобрать роль увы не дали результата лучше, чем её случайный выбор. В жизни мы прописываем в промпте роль, понимая, что хотим получить от LLM (и даже до точной формулировки вопроса), поэтому проблема выбора роли как будто бы частично снимается. Кроме того, роль мы прописываем не просто для более точного ответа, а для более уместной стилистики. Таким образом, тезис «роли не работают» ничуть не лучше инфоцыганского «всегда пишите роль». И то и то передергивание, а в результатах, если добавить другие исследования, есть существенный разброс. Кратко что в других публикациях 2024-2025 года: Kong et al., NAACL 2024, "Better Zero-Shot Reasoning with Role-Play Prompting" - аргумент сторонников ролей. Двухшаговый ролевой промпт (роль, подтверждение от модели, задача) на ChatGPT поднял, например, AQuA с 53.5% до 63.8%; авторы считают роль неявным триггером chain-of-thought. Разница постановок со статьей, что разбирали с вами ранее: там был выбор варианта в фактических вопросах, тут рассуждение с генерацией решения. https://arxiv.org/abs/2308.07702 Salewski et al., NeurIPS 2023, "In-Context Impersonation" - эксперт своего домена отвечает лучше эксперта чужого, но та же механика внезапно вытаскивает еще и стереотипы: "от лица мужчины" модель описывает автомобили лучше, чем "от лица женщины". https://arxiv.org/abs/2305.14930 Gupta et al., ICLR 2024, "Bias Runs Deep" - 24 датасета на рассуждение, 19 демографических персон. Персона роняет точность, часть ошибок - очень интересные отказы вида "как человек с инвалидностью, я не могу решить эту задачу" (58% ошибок этой персоны было у ChatGPT-3.5). https://arxiv.org/abs/2311.04892 Luz de Araujo, Röttger, Hovy, Roth, EMNLP 2025, "Principled Personas" - 9 моделей, 27 задач. Экспертная роль в среднем не вредит и иногда помогает, но есть другое наблюдение: нерелевантная деталь в описании роли (например, имя) роняет точность почти на 30 п.п. Образование, специализация и близость домена влияют непоследовательно. https://arxiv.org/abs/2508.19764 Iadisernia, Camassa (Banca d'Italia), ICAIF 2025, "Prompting for Policy" - 2368 биографий экономистов из PersonaHub, GPT-4o воспроизводит опрос профессиональных прогнозистов ЕЦБ за 50 кварталов. Без персоны ошибка прогноза та же (p=0.31), а разброс между персонами на два порядка меньше, чем между людьми. https://arxiv.org/abs/2511.02458 Что добавили свежие публикации этого года (препринты, рецензирования не было, так что продолжаем вести наблюдение): Hu, Rostami, Thomason, 2026, "Expert Personas Improve LLM Alignment but Damage Accuracy" - наконец-то задались вопросом, почему результаты исследований расходятся. На знаниевых задачах роль вредит: MMLU 68.0% против 71.6% без роли, длинное описание хуже короткого. На задачах про формат, тон и отказы (письмо, извлечение данных, jailbreak-бенчмарки) роль помогает, и чем длиннее, тем сильнее: +17.7 п.п. отказов на JailbreakBench с ролью "safety monitor". Гипотеза в том, что длина контекста просто дает LLM сигнал «надо рассуждать». Что меня смущает в этой статье: она хоть и марта 2026 года, а исследует модели, которые с нами с начала 2025, да и в целом большие модельки не трогает, только их дистилляты. https://arxiv.org/abs/2603.18507 "When Does Persona Prompting Actually Help?", 2026 - 1140 открытых вопросов, 38 ролей, оценка LLM-судьей. Роль повышает "глубину экспертизы" и структурность, снижает ясность и прямоту. Выигрывает в консультативных доменах (медицина, психология), проигрывает на объяснительных вопросах. https://arxiv.org/abs/2605.29420 Итого: Роль в промпте может быть полезна для тона, формата, стилистики и границ поведения. Если нужен факт или расчет, роль может быть лучше убрать или сократить до одной фразы.

Здесь прекрасно все

Промпт "ты - эксперт" не повышает точность ответов LLM Гайды по промптингу, особенно в материалах свежеиспеченных AI-экспертов, советуют начинать промпт с роли: "Ты - опытный юрист", "Ты - senior data scientist". Zheng, Pei и др. (Findings of ACL) еще в 2023-2024 году проверили, влияет ли это на точность в задачах с проверяемым ответом. https://arxiv.org/abs/2311.10054 Для экспериментов выбрали 162 роли: 112 профессий (юрист, геолог, "Medical Diagnostic AI", "helpful assistant") и 50 социальных (мать, коллега, друг). В исследовании участвовало 9 моделей: Flan-T5-XXL, Llama-3 8B и 70B, Mistral-7B, Qwen2.5 от 3B до 72B. Для оценки точности использовали 2410 вопросов MMLU. Форматы "Ты - {роль}" и "Ты разговариваешь с {роль}", контроль - вопрос без роли. В результате выяснилось, что точность ответов либо на том же уровне, что и без ролей, либо хуже. Более того, можно было ожидать, что в более крупных моделях польза от ролей будет больше, но не тут-то было: вышло прямо наоборот, «вредных» ролей из всего эксперимента оказалось еще больше для моделей с бОльшим количеством параметров. Тут резонно заметить, что ссылаться на статью с последним апдейтом в 2024 году это очень сильно замороженная рыба для темпов развития ИИ в наше время, поэтому если пост соберет 50 сердечек, напишу, что еще интересного публиковали про исследование ролей в последние два года.

Мне обычно интереснее доклады, где показывают не отдельный удачный эксперимент, а весь путь модели: как её обучали, почему выбрали именно такой подход и что пришлось исправлять по дороге. На Practical ML Conf в этом смысле есть два любопытных кейноута. Николай Смолянский, который сейчас работает над world models для Physical AI, сравнит этот подход с VLA/LLM, обученными через имитацию поведения. Расскажет, почему реактивные политики ломаются при изменении среды, как world model позволяет перепланировать действия, и покажет реализацию Dreamer/RSSM, которую можно обучить на обычном ноутбуке. Александр Боймель разберёт полный цикл обучения Alice AI LLM: от претрейна, где модель получает базовые знания и способности, до алайнмента, превращающего их в полезное поведение в продуктах. Конференция пройдёт 19 сентября в Москве и онлайн. Здесь программа и регистрация. Реклама. ООО "ЯНДЕКС". ИНН: 7736207543. Erid: 2VtzqwGxY27

Про боль изложения простого и понятного изложения сложного материала У меня, к сожалению, пока нет возможности сказать "мои курсы для души, а не для знаний", потому что мы, увы, учим всякому там машинлернингу и сопутствующей математике и программированию (хотя одна идея развлекательного курса у меня уже есть, может хоть там вздохну спокойно :). В частности, столкнувшись с тем, что успешно пройдя собес по ML после обучения у нас, слушатель может зарубиться на алгоритмической секции, мы решили добавить немного контента про алгоритмы и структуры данных во введение. Тут можно смело сказать: "Что за наивность, несколько лекций для алгосекции?". Но на самом деле пройти алгосекцию не на Software Engineer это все же не медаль на ACM взять, и что-то с этим сделать можно. Как решил поступить я: в модуле с пререквизитами к ML рассказываем несколько базовых тем (бинпоиск, сортировки, несложные жадные алгоритмы, динамическое программирование в простых кейсах, простые структуры данных), объясняем, зачем вообще этот сыр-бор, и накидываем ссылок на задачки с литкода. Во всех случаях объясняем, где это используется в работе с данными и когда выстреливает. А дальше, пока слушатель изучает ML, ему ничто не мешает решать в неделю хотя бы по несколько задачек на литкоде. После этого есть надежда, что на джунском или миддловом собесе на DS уж односвязный список человек развернет или бинпоиск напишет, не налажав в граничных условиях. Так вот, вычитывал и правил сегодня утром составленные LLMкой конспекты про уроку, где рассказывается про работу массива переменной длины (который list в питоне или vector в плюсах) и вижу опасное утверждение, что время вставки в среднем О(1). Чем опасное? Ой, в бытовом смысле ничего страшного в нем нет, тем более в целом это нормальное утверждение, особенно если вы не изучали алгоритмы серьезно. А вот если изучали, вы знаете, что есть время работы в среднем и время работы амортизационно, для работы в среднем надо обсуждать какой-то случайный вход, а амортизационно считается усреднением по большому количеству операций и часто оценивается с помощью всяких неочевидных для неподготовленного слушателя подходов вроде банковского метода или метода потенциалов. Я естественно в холодном поту бегу проверять, что там было у преподавателя в лекции: сейчас научим слушателя путать "в среднем" и "амортизационно" и его завалят на собесе. А добавлять еще приличное количество нетривиального материала, чтобы четко и понятно объяснить новичку разницу прям совсем не хочется, тем более до модуля по теорверу. К счастью, оказывается, что в лекции действительно рассказано про амортизационную оценку, так она и называется, и в целом можно сильно не переживать, только аккуратненько поправить в конспекте. Но сама проблема, как составляя понятный курс для слушателя, не посвятившего Computer Science лучшие годы жизни, не ввести его в заблуждение и не подставить так на собеседовании или в работе - очень реальная и с ней приходится работать постоянно. И, кстати, по этой причине LLMки хоть и ускоряют подготовку материалов для курсов (тех же конспектов, например), но требуют очень тщательной проверки преподавателями. Таких тревожных моментов как я описал выше у меня при подготовке любого курса в MLinside, на Физтехе и в Вышке десятки. Так что всем, кто думает, что преподавание это очень классно, приятно и вдохновляюще, вынужден сказать, что это еще и про постоянный страх подвести своего слушателя и борьбу с этим страхом с помощью перепроверок и исправления ошибок.